Abstract The best function form to predict the panel’s temperature (Tpanel) is found for a product family of polycrystalline solar panels, with the nominal capacities of 20, 30, 40, 50, 60, 80, 120, 150, 200, 250, 300, and 320 W. For this purpose, genetic programming is used. Experimental data recorded throughout a year is employed while in addition to solar radiation, ambient temperature, and wind velocity, ambient relative humidity is also considered as one effective parameter. First, the best function form is obtained and verified for the 40 W panel, and then, the generalization capability of that is checked for other panels. Moreover, the prediction ability of the best found function form in comparison to the nominal operating cell temperature (NOCT) and nominal module operating temperature (NMOT) approaches, as the most common ways to obtain Tpanel, is evaluated using the monthly and annual profiles of errors. The profiles of error in prediction of Tpanel, efficiency, produced power, and generated energy for the presented, NOCT, and NMOT models are compared together, which shows the vast superiority of the best found function to NOCT and NMOT methods. As an example, for the 50 W panel, the best found function form is able to predict Tpanel, efficiency, produced power, and generated energy 2.15, 3.36, 3.03, and 3.39 times more accurate than NMOT method in a year. It also has 2.82, 4.18, 4.04, and 4.01 times better prediction than the NOCT model during the same period for prediction of the aforementioned performance criteria of the 50 W panel, respectively.

中文翻译：

---

利用遗传编程找到预测太阳能光伏板温度的最佳相关性

摘要 针对标称容量为 20、30、40、50、60、80、120、150、200、250、300 的多晶太阳能电池板产品系列，找到了预测电池板温度（Tpanel）的最佳函数形式。 ，和 320 W。为此，使用遗传编程。使用全年记录的实验数据，除了太阳辐射、环境温度和风速外，环境相对湿度也被认为是一个有效参数。首先对40W面板求出最佳函数形式并进行验证，然后对其他面板进行泛化能力检验。此外，与标称工作电池温度 (NOCT) 和标称模块工作温度 (NMOT) 方法相比，最佳找到函数形式的预测能力，作为获取 Tpanel 的最常见方法，使用每月和每年的错误配置文件进行评估。将所提出的 NOCT 和 NMOT 模型的 Tpanel、效率、产生的功率和产生的能量的预测误差分布一起进行比较，这表明最佳发现函数相对于 NOCT 和 NMOT 方法的巨大优势。例如，对于 50 W 面板，最佳找到的函数形式能够在一年内预测 Tpanel、效率、产生的功率和产生的能量，其准确度是 NMOT 方法的 2.15、3.36、3.03 和 3.39 倍。在预测上述 50 W 面板的性能标准时，它也分别比同期 NOCT 模型的预测好 2.82、4.18、4.04 和 4.01 倍。将所提出的 NOCT 和 NMOT 模型的 Tpanel、效率、产生的功率和产生的能量的预测误差分布一起进行比较，这表明最佳发现函数相对于 NOCT 和 NMOT 方法的巨大优势。例如，对于 50 W 面板，最佳找到的函数形式能够在一年内预测 Tpanel、效率、产生的功率和产生的能量，其准确度是 NMOT 方法的 2.15、3.36、3.03 和 3.39 倍。在预测上述 50 W 面板的性能标准时，它也分别比同期 NOCT 模型的预测好 2.82、4.18、4.04 和 4.01 倍。将所提出的 NOCT 和 NMOT 模型的 Tpanel、效率、产生的功率和产生的能量的预测误差分布一起进行比较，这表明最佳发现函数相对于 NOCT 和 NMOT 方法的巨大优势。例如，对于 50 W 面板，最佳找到的函数形式能够在一年内预测 Tpanel、效率、产生的功率和产生的能量，其准确度是 NMOT 方法的 2.15、3.36、3.03 和 3.39 倍。在预测上述 50 W 面板的性能标准时，它也分别比同期 NOCT 模型的预测好 2.82、4.18、4.04 和 4.01 倍。这显示了最佳发现函数相对于 NOCT 和 NMOT 方法的巨大优势。例如，对于 50 W 面板，最佳找到的函数形式能够在一年内预测 Tpanel、效率、产生的功率和产生的能量，其准确度是 NMOT 方法的 2.15、3.36、3.03 和 3.39 倍。在预测上述 50 W 面板的性能标准时，它也分别比同期 NOCT 模型的预测好 2.82、4.18、4.04 和 4.01 倍。这显示了最佳发现函数相对于 NOCT 和 NMOT 方法的巨大优势。例如，对于 50 W 面板，最佳找到的函数形式能够在一年内预测 Tpanel、效率、产生的功率和产生的能量，其准确度是 NMOT 方法的 2.15、3.36、3.03 和 3.39 倍。在预测上述 50 W 面板的性能标准时，它也分别比同期 NOCT 模型的预测好 2.82、4.18、4.04 和 4.01 倍。